CN114241248B - 河蟹产地溯源方法及系统 - Google Patents
河蟹产地溯源方法及系统 Download PDFInfo
- Publication number
- CN114241248B CN114241248B CN202210169544.5A CN202210169544A CN114241248B CN 114241248 B CN114241248 B CN 114241248B CN 202210169544 A CN202210169544 A CN 202210169544A CN 114241248 B CN114241248 B CN 114241248B
- Authority
- CN
- China
- Prior art keywords
- origin
- river crab
- target
- tracing
- intelligent contract
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种河蟹产地溯源方法及系统,方法包括:获取所购目标河蟹背甲图像;将所述目标河蟹背甲图像上传至区块链,并通过调用所述区块链上部署的溯源智能合约,确定所述目标河蟹的目标产地溯源信息。所述系统执行所述方法。本发明将图像分类技术应用于河蟹的产地识别和溯源,避免了传统的蟹扣防伪方式容易被伪造会后利用等现象,可以防止不法商家产地造假而造成的市场秩序混乱,从而维护消费者和商家的正当权益。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种河蟹产地溯源方法及系统。
背景技术
具有地域特色的特色农产品,相对于一般农产品来说,无论是在形态还是品质上都有很大优势;其具有明显的地域特色、优良品质和特殊功效。在经济利益的驱使下,部分无良商家产地造假、浑水摸鱼,对消费者的权益造成了一定的损害。
其中优质蟹有很高的知名度,其价格远高于其他产地的蟹。不法分子会通过假冒品牌蟹等手段进行销售,严重影响了中华绒螯蟹产业的正常秩序和生产者以及消费者的正当权益。因此对特色农产品产地鉴别研究具有重大经济应用价值和现实意义。
目前河蟹防伪方法主要是在河蟹蟹钳上的蟹扣进行防伪溯源,通过在产品上附上二维码,让客户扫描二维码就能知晓产品的全流程信息并验证真伪。然而这样的方式却无法令消费者信服,因为只凭商家的一面之辞,完全可以通过虚假包装,将产品包装成理想的样子。客户扫描的产品信息完全可以由商家事先设置好,这样的扫码方式也变相成为了商家的营销手段。
消费者通过移动终端设备扫描这些验证标识来获取河蟹的产品信息,这种方式虽然简单易行,但是蟹扣存在被回收或者人为伪造的风险,不能作为河蟹防伪的可信手段。
当前,基于图像视觉的自动识别法是分类识别的主流方法。其中一种是基于手工提取特征的方法,利用尺度不变特征转换(Scale Invariant Feature Transform,SIFT)、方向梯度直方图(Histogram of Oriented Gradient,HOG)等特征描述方法提取图像底层特征并结合支持向量机(Support Vector Machines,SVM)、K近邻(K-Nearest Neighbors)等分类器进行图像识别。另外一种是基于深度特征的识别方法。一些基于卷积神经网络的图像识别方法已应用于具体实物分类任务,卷积神经网络可以提取从底层的纹理、边缘等信息到高层的语义信息,提高分类的准确性与鲁棒性,并且是一种“端到端”的方法,避免了手工设计特征的繁琐过程。
在实际应用中上述图像识别方法仍然存在很大的局限。分析发现,基于人工设计特征(颜色、形状、纹理等)的检测方法,需要人为地选择特征参数和设计特征提取方法,而特征的选择需要大量试验和经验,严重耗费精力,另外一些基于深度学习图像分类模型的识别准确率不够高。
同时目前对于河蟹的防伪主要依靠印有条形码或者二维码等防伪标识的蟹扣,该方式可复制性强,存在被不法商贩恶意伪造或者二次回收利用的风险,溯源验证结果不可信。另一方面,通过“洗澡”的方式冒充原产地河蟹,不利于行业良性发展。
发明内容
本发明提供的河蟹产地溯源方法及系统,用于解决现有技术中存在的上述问题,将图像分类技术应用于河蟹的产地识别和溯源,避免了传统的蟹扣防伪方式容易被伪造会后利用等现象,可以防止不法商家产地造假而造成的市场秩序混乱,从而维护消费者和商家的正当权益。
本发明提供的一种河蟹产地溯源方法,包括:
获取所购目标河蟹背甲图像;
将所述目标河蟹背甲图像上传至区块链,并通过调用所述区块链上部署的溯源智能合约,确定所述目标河蟹的目标产地溯源信息;
其中,所述区块链上存储有各种产地河蟹的产地溯源信息。
根据本发明提供的一种河蟹产地溯源方法,所述溯源智能合约是通过如下方式确定的:
构建用于目标河蟹产地识别的目标识别模型以及用于所述目标河蟹产地溯源的产地判别模型;
将所述目标识别模型上传至所述区块链,以确定目标识别智能合约;
将所述产地判别模型上传至所述区块链,以确定产地判别智能合约;
根据所述目标识别智能合约和所述产地判别智能合约,确定所述溯源智能合约。
根据本发明提供的一种河蟹产地溯源方法,所述构建用于目标河蟹产地识别的目标识别模型,包括:
将采集到不同产地的河蟹图像输入至预设目标识别网络中进行训练,直至所述预设目标识别网络收敛,停止训练;
根据训练后的预设目标识别网络,确定所述目标识别模型。
根据本发明提供的一种河蟹产地溯源方法,所述构建用于所述目标河蟹产地溯源的产地判别模型,包括:
将预设公共数据集输入至双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的参数,并根据所述参数确定预设产地判别模型的初始参数;
将采集到的不同产地的河蟹背甲图像输入至所述预设产地判别模型中进行训练,以确定所述产地判别模型。
根据本发明提供的一种河蟹产地溯源方法,所述将预设公共数据集输入至双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的参数,并根据所述参数确定预设产地判别模型的初始参数,包括:
将第一公共数据子集输入至所述双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的前三分之二卷积层参数;
将所述前三分之二卷积层参数作为所述初始参数;或
将第二公共数据子集输入至所述双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的前三分之一卷积层参数;
将所述前三分之一卷积层参数作为所述初始参数;
其中,所述第一公共数据子集是与所述河蟹图像相关的数据集;
所述第二公共数据子集是与所述河蟹图像无关的数据集。
根据本发明提供的一种河蟹产地溯源方法,在所述将采集到不同产地的河蟹背甲图像输入至预设目标识别网络中进行训练,直至所述预设目标识别网络收敛,停止训练之前,还包括:
基于预设图像增强算法对所述采集到的不同产地的河蟹背甲图像进行数据增强处理。
本发明还提供一种河蟹产地溯源系统,包括:获取模块以及溯源模块;
所述获取模块,用于获取所购目标河蟹背甲图像;
所述溯源模块,用于将所述目标河蟹背甲图像上传至区块链,并通过调用所述区块链上部署的溯源智能合约,确定所述目标河蟹的目标产地溯源信息;
其中,所述区块链上存储有各种产地河蟹的产地溯源信息。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述河蟹产地溯源方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述河蟹产地溯源方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述河蟹产地溯源方法。
本发明提供的河蟹产地溯源方法及系统,将图像分类技术应用于河蟹的产地识别和溯源,避免了传统的蟹扣防伪方式容易被伪造会后利用等现象,可以防止不法商家产地造假而造成的市场秩序混乱,从而维护消费者和商家的正当权益。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的河蟹产地溯源方法的流程示意图;
图2是本发明提供的河蟹实例示意图;
图3是本发明提供的河蟹产地溯源系统的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的河蟹产地溯源方法可利用少量河蟹背甲图像通过数据增强、模型参数迁移等方法,利用神经网络训练分类模型,实现对河蟹产地的判别以及河蟹产地溯源,具体实现如下:
图1是本发明提供的河蟹产地溯源方法的流程示意图,如图1所示,方法包括:
S1、获取所购目标河蟹背甲图像;
S2、将目标河蟹背甲图像上传至区块链,并通过调用区块链上部署的溯源智能合约,确定目标河蟹的目标产地溯源信息;
其中,区块链上存储有各种产地河蟹的产地溯源信息。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,首先获取所购买目标河蟹的背甲图像,例如可以通过智能终端或摄像设备拍摄所述目标河蟹背甲,以获取所述目标河蟹背甲图像,具体地,可以通过手机拍照或相机拍照获取所购买目标河蟹背甲图像(如图2所示)。
将获取的所购目标河蟹背甲图像上传至区块链,该区块链上部署有用于对消费者购买的目标河蟹进行目标产地溯源的溯源智能合约,通过调用溯源智能合约将所购目标河蟹背甲图像上传至该溯源智能合约,该溯源智能合约处理后将裁剪后的目标河蟹图像结合区块链上的各种产地河蟹的产地溯源信息,返回目标河蟹的产地溯源信息(即目标产地溯源信息)。其中,产地溯源信息包括但不限于产地档案,产地简介,产品简介,产品认证信息等,各种产地河蟹的产地溯源信息需预先上传至区块链,以供后期溯源查询使用。
需要说明的是,上述目标产地溯源信息可以通过可视化的方式进行展示,例如通过网页、手机APP或小程序,对目标产地溯源信息进行可视化显示。
本发明提供的河蟹产地溯源方法,将图像分类技术应用于河蟹的产地识别和溯源,避免了传统的蟹扣防伪方式容易被伪造会后利用等现象,可以防止不法商家产地造假而造成的市场秩序混乱,从而维护消费者和商家的正当权益。
进一步地,在一个实施例中,步骤S2中的溯源智能合约是通过如下方式确定的:
S21、构建用于目标河蟹产地识别的目标识别模型以及用于目标河蟹产地溯源的产地判别模型;
S22、将目标识别模型上传至区块链,以确定目标识别智能合约;
S23、将产地判别模型上传至区块链,以确定产地判别智能合约;
S24、根据目标识别智能合约和产地判别智能合约,确定溯源智能合约。
可选地,构建溯源智能合约包括构建目标识别智能合约和构建产地判别智能合约两部分,即在区块链上将用于目标河蟹产地识别的目标识别模型和用于目标河蟹产地溯源的产地判别模型智能合约化,使消费者可通过区块链上智能合约进行目标河蟹的目标识别和产地判别。
为了使得通过调用区块链上部署的溯源智能合约,便可以对目标河蟹的目标识别以及目标产地溯源信息,除将产地判别模型智能合约化,还需将产地判别模型判别所得产地信息与区块链上上传的各种产地(包括目标河蟹的产地)河蟹的产地溯源信息进行绑定,这样便可以使得在通过调用产地判别智能合约可直接获得产地判别模型判别所得目标河蟹产地的产地溯源信息,具体地:
将所购目标河蟹图像上传至目标识别智能合约,目标识别智能合约处理后返回裁剪后的河蟹图像,将裁剪后的目标河蟹图像上传至产地判别智能合约,产地判别智能合约处理后返回目标河蟹的目标产地溯源信息。
本发明提供的河蟹产地溯源方法,消费者可通过将所购河蟹背甲图像上传至区块链的智能合约获取所购河蟹的产地溯源信息,保证了产地溯源的可信性。
进一步地,在一个实施例中,步骤S21中的构建用于目标河蟹产地识别的目标识别模型,可以具体包括:
S211、将采集到不同产地的河蟹背甲图像输入至预设目标识别网络中进行训练,直至预设目标识别网络收敛,停止训练;
S212、根据训练后的预设目标识别网络,确定目标识别模型。
可选地,采集河蟹背甲图像需采集多个不同产地的河蟹背甲图像,例如可以采集三个及以上产地的河蟹背甲图像,并通过将采集到不同产地的河蟹背甲图像输入至预设目标识别网络中进行训练,以获取目标识别模型,具体地:
训练目标识别模型即通过训练预设目标识别网络,截图河蟹所在区域图像,预设目标识别网络可以使用快速区域卷积神经网络Faster R-CNN,目标检测网络SSD或YOLOv4,将采集到的不同产地(选取三个不同产地样本各100只)的河蟹背甲图像输入至预设目标识别网络中进行训练,截图河蟹所在的图像区域以确定河蟹图像,直至预设目标识别网络收敛(例如达到最大训练次数),停止训练,得到训练好的预设目标识别网络。其中,目标识别网络训练完成后需上传至区块链,以供后期溯源查询使用。
将训练后的预设目标识别网络作为目标识别模型,以对所购目标河蟹背甲图像进行识别,并得到目标河蟹对应的图像区域。
本发明提供的河蟹产地溯源方法,基于训练得到的目标识别模型能够实现对河蟹背甲图像的目标识别,为后续构建溯源智能合约,实现对河蟹背甲图像的产地溯源奠定了基础。
进一步地,在一个实施例中,步骤S21中构建用于目标河蟹产地溯源的产地判别模型,可以具体包括:
S213、将预设公共数据集输入至双线性卷积神经网络进行训练,以确定双线性卷积神经网络的参数,并根据参数确定预设产地判别模型的初始参数;
S214、将采集到的不同产地的河蟹背甲图像输入至预设产地判别模型中进行训练,以确定产地判别模型。
进一步地,在一个实施例中,步骤S213可以具体包括:
S2131、将第一公共数据子集输入至双线性卷积神经网络进行训练,以确定双线性卷积神经网络的前三分之二卷积层参数;
S2132、将前三分之二卷积层参数作为初始参数;或
S2133、将第二公共数据子集输入至双线性卷积神经网络进行训练,以确定双线性卷积神经网络的前三分之一卷积层参数;
S2134、将前三分之一卷积层参数作为初始参数;
其中,第一公共数据子集是与河蟹图像相关的数据集;
第二公共数据子集是与河蟹图像无关的数据集。
可选地,预训练预设产地判别模型即利用公共数据集训练分类模型,预设公共数据集可以使用ImageNet数据集,分类模型可以使用双线性卷积神经网络(Bilinear CNN)模型,具体地:
将ImageNet数据集输入至双线性卷积神经网络进行训练,以确定双线性卷积神经网络的参数,并根据双线性卷积神经网络的参数确定预设产地判别模型的初始参数,具体地,可以通过将训练得到的双线性卷积神经网络的参数迁移到预设产地判别模型,即将预训练得到的双线性卷积神经网络的部分参数迁移至最终的产地判别模型,作为初始参数,再使用采集的不同产地的河蟹背甲图像训练最终的产地判别模型。
若预训练使用的公共数据集为河蟹相关数据集(即第一公共数据子集),则将预训练得到的双线性卷积神经网络的前三分之二卷积层参数迁移至预设产地判别模型作为初始参数。若预训练使用的公共数据集是与河蟹图像无关的数据集(即第二公共数据子集),则将预训练得到的双线性卷积神经网络的前三分之一卷积层参数迁移至预设的产地判别模型作为初始参数,最终的产地判别模型训练完成后需上传至区块链,以供后期溯源查询使用。
研究表明,不同流域、不同养殖条件的河蟹形态存在一定差异,因此考虑通过河蟹本身的形态特征验证产地,近年来深度学习在人脸识别、医学图像识别和其他领域识别取得了一系列的研究成果,并且河蟹背甲存在稳定且唯一的形态特征(沟壑、纹理、凸起等),因此可以通过产地判别模型提取河蟹背甲图像的生物特征来进行产地识别,并结合区块链上不同产地河蟹的产地溯源信息,实现对河蟹的产地溯源。
本发明提供的河蟹产地溯源方法,可通过采集少量河蟹背甲图像实现河蟹产地溯源,保证了溯源可信性,同时,针对训练双线性卷积神经网络的样本与河蟹图像的相关度,确定训练产地判别模型的初始参数,提高了最终产地判别模型对河蟹产地判别的准确度。
进一步地,在一个实施例中,在步骤S211之前还可以具体包括:
S210、基于预设图像增强算法对采集到的不同产地的河蟹背甲图像进行数据增强处理。
可选地,在基于采集到不同产地的河蟹背甲图像对预设目标识别网络进行训练之前,可以通过采用预设图像增强算法对采集到的不同产地的河蟹背甲图像进行数据增强处理,例如采用尺寸变换、镜像翻转、旋转、明暗度变换、对比度变换、高斯噪声滤波和均值滤波等图像增强算法对采集到的不同产地的河蟹背甲图像进行数据增强处理。
本发明提供的河蟹产地溯源方法,通过对采集到的河蟹背甲图像的数据增强处理,提高了目标识别模型识别河蟹背甲图像的精度和准确度。
下面对本发明提供的河蟹产地溯源系统进行描述,下文描述的河蟹产地溯源系统与上文描述的河蟹产地溯源方法可相互对应参照。
图3是本发明提供的河蟹产地溯源系统的结构示意图,如图3所示,包括:
获取模块310以及溯源模块311;
获取模块310,用于获取所购目标河蟹背甲图像;
溯源模块311,用于将目标河蟹背甲图像上传至区块链,并通过调用区块链上部署的溯源智能合约,确定目标河蟹的目标产地溯源信息;
其中,区块链上存储有各种产地河蟹的产地溯源信息。
本发明提供的河蟹产地溯源系统,将图像分类技术应用于河蟹的产地识别和溯源,避免了传统的蟹扣防伪方式容易被伪造会后利用等现象,可以防止不法商家产地造假而造成的市场秩序混乱,从而维护消费者和商家的正当权益。
图4是本发明提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413,其中,处理器410,通信接口411,存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令,以执行如下方法:
获取所购目标河蟹背甲图像;
将目标河蟹背甲图像上传至区块链,并通过调用区块链上部署的溯源智能合约,确定目标河蟹的目标产地溯源信息;
其中,区块链上存储有各种产地河蟹的产地溯源信息。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的河蟹产地溯源方法,例如包括:
获取所购目标河蟹背甲图像;
将目标河蟹背甲图像上传至区块链,并通过调用区块链上部署的溯源智能合约,确定目标河蟹的目标产地溯源信息;
其中,区块链上存储有各种产地河蟹的产地溯源信息。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的河蟹产地溯源方法,例如包括:
获取所购目标河蟹背甲图像;
将目标河蟹背甲图像上传至区块链,并通过调用区块链上部署的溯源智能合约,确定目标河蟹的目标产地溯源信息;
其中,区块链上存储有各种产地河蟹的产地溯源信息。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种河蟹产地溯源方法,其特征在于,包括:
获取所购目标河蟹背甲图像;
将所述目标河蟹背甲图像上传至区块链,并通过调用所述区块链上部署的溯源智能合约,确定所述目标河蟹的目标产地溯源信息;
其中,所述区块链上存储有各种产地河蟹的产地溯源信息;
所述溯源智能合约是通过如下方式确定的:
构建用于目标河蟹产地识别的目标识别模型以及用于所述目标河蟹产地溯源的产地判别模型;
将所述目标识别模型上传至所述区块链,以确定目标识别智能合约;
将所述产地判别模型上传至所述区块链,以确定产地判别智能合约;
根据所述目标识别智能合约和所述产地判别智能合约,确定所述溯源智能合约。
2.根据权利要求1所述的河蟹产地溯源方法,其特征在于,所述构建用于目标河蟹产地识别的目标识别模型,包括:
将采集到不同产地的河蟹背甲图像输入至预设目标识别网络中进行训练,直至所述预设目标识别网络收敛,停止训练;
根据训练后的预设目标识别网络,确定所述目标识别模型。
3.根据权利要求1所述的河蟹产地溯源方法,其特征在于,构建用于所述目标河蟹产地溯源的产地判别模型,包括:
将预设公共数据集输入至双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的参数,并根据所述参数确定预设产地判别模型的初始参数;
将采集到的不同产地的河蟹背甲图像输入至所述预设产地判别模型中进行训练,以确定所述产地判别模型。
4.根据权利要求3所述的河蟹产地溯源方法,其特征在于,所述将预设公共数据集输入至双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的参数,并根据所述参数确定预设产地判别模型的初始参数,包括:
将第一公共数据子集输入至所述双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的前三分之二卷积层参数;
将所述前三分之二卷积层参数作为所述初始参数;或
将第二公共数据子集输入至所述双线性卷积神经网络进行训练,以确定所述双线性卷积神经网络的前三分之一卷积层参数;
将所述前三分之一卷积层参数作为所述初始参数;
其中,所述第一公共数据子集是与河蟹图像相关的数据集;
所述第二公共数据子集是与所述河蟹图像无关的数据集。
5.根据权利要求2所述的河蟹产地溯源方法,其特征在于,在所述将采集到不同产地的河蟹背甲图像输入至预设目标识别网络中进行训练,直至所述预设目标识别网络收敛,停止训练之前,还包括:
基于预设图像增强算法对所述采集到的不同产地的河蟹背甲图像进行数据增强处理。
6.一种河蟹产地溯源系统,其特征在于,包括:获取模块以及溯源模块;
所述获取模块,用于获取所购目标河蟹背甲图像;
所述溯源模块,用于将所述目标河蟹背甲图像上传至区块链,并通过调用所述区块链上部署的溯源智能合约,确定所述目标河蟹的目标产地溯源信息;
其中,所述区块链上存储有各种产地河蟹的产地溯源信息;
所述溯源智能合约是通过如下方式确定的:
构建用于目标河蟹产地识别的目标识别模型以及用于所述目标河蟹产地溯源的产地判别模型;
将所述目标识别模型上传至所述区块链,以确定目标识别智能合约;
将所述产地判别模型上传至所述区块链,以确定产地判别智能合约;
根据所述目标识别智能合约和所述产地判别智能合约,确定所述溯源智能合约。
7.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述河蟹产地溯源方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述河蟹产地溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169544.5A CN114241248B (zh) | 2022-02-24 | 2022-02-24 | 河蟹产地溯源方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169544.5A CN114241248B (zh) | 2022-02-24 | 2022-02-24 | 河蟹产地溯源方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241248A CN114241248A (zh) | 2022-03-25 |
CN114241248B true CN114241248B (zh) | 2022-07-01 |
Family
ID=80747951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169544.5A Active CN114241248B (zh) | 2022-02-24 | 2022-02-24 | 河蟹产地溯源方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241248B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863191B (zh) * | 2022-07-06 | 2023-10-24 | 南通大学 | 基于区块链的防伪信息识别与传输方法 |
CN116976915B (zh) * | 2023-05-24 | 2024-04-05 | 南京审计大学 | 地理信息支持的种植类地理标志产品溯源方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
CN109615383A (zh) * | 2018-10-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 基于区块链的数据存证、获取方法和装置 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
KR20200034468A (ko) * | 2018-09-21 | 2020-03-31 | 김승진 | 가상현실 영상을 이용한 기록 대상 공간 정보 통합 관리 플랫폼을 운영하는 관리 서버 및 이의 플랫폼 운영 방법 |
WO2020134575A1 (zh) * | 2018-12-25 | 2020-07-02 | 阿里巴巴集团控股有限公司 | 基于区块链的资源分配方法、装置和电子设备 |
CN111737104A (zh) * | 2019-10-25 | 2020-10-02 | 北京沃东天骏信息技术有限公司 | 区块链网络服务平台及其测试用例共享方法、存储介质 |
EP3786872A1 (en) * | 2019-08-26 | 2021-03-03 | Accenture Global Solutions Limited | Decentralized federated learning system |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106305567A (zh) * | 2016-08-21 | 2017-01-11 | 盘锦光合蟹业有限公司 | 一种用于河蟹判别的图像识别方法 |
CN107038458A (zh) * | 2017-04-01 | 2017-08-11 | 中国水产科学研究院淡水渔业研究中心 | 一种基于中华绒螯蟹背甲形态的产地判别方法 |
US10833865B2 (en) * | 2018-04-30 | 2020-11-10 | Dell Products L.P. | Blockchain-based method and system for immutable resource allocation in a cloud computing environment |
CN111046418A (zh) * | 2019-11-21 | 2020-04-21 | 山东爱城市网信息技术有限公司 | 一种基于区块链的大闸蟹监捕的方法及设备、介质 |
CN111091392A (zh) * | 2019-11-26 | 2020-05-01 | 山东爱城市网信息技术有限公司 | 一种基于区块链的家具溯源方法及设备、介质 |
CN111008848A (zh) * | 2019-11-26 | 2020-04-14 | 山东爱城市网信息技术有限公司 | 一种基于区块链的生鲜产品溯源方法、设备及存储介质 |
US11348352B2 (en) * | 2019-12-26 | 2022-05-31 | Nb Ventures, Inc. | Contract lifecycle management |
US11081219B1 (en) * | 2020-01-15 | 2021-08-03 | Ledgerdomain Inc. | Secure messaging in a machine learning blockchain network |
CN111311279A (zh) * | 2020-02-13 | 2020-06-19 | 东南大学 | 一种基于区块链的阳澄湖大闸蟹防伪溯源的方法 |
WO2021231408A1 (en) * | 2020-05-11 | 2021-11-18 | Liquidx, Inc. | Systems and methods for digitization and trading of trade finance assets |
CN112884495B (zh) * | 2021-03-23 | 2023-01-10 | 华南农业大学 | 一种基于区块链的肉禽供应链溯源系统 |
CN113610540B (zh) * | 2021-07-09 | 2024-02-02 | 北京农业信息技术研究中心 | 一种河蟹防伪溯源方法及系统 |
CN113793157A (zh) * | 2021-08-27 | 2021-12-14 | 大连理工大学 | 一种基于联盟链和物联网的散养猪溯源防伪系统 |
-
2022
- 2022-02-24 CN CN202210169544.5A patent/CN114241248B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
KR20200034468A (ko) * | 2018-09-21 | 2020-03-31 | 김승진 | 가상현실 영상을 이용한 기록 대상 공간 정보 통합 관리 플랫폼을 운영하는 관리 서버 및 이의 플랫폼 운영 방법 |
CN109615383A (zh) * | 2018-10-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 基于区块链的数据存证、获取方法和装置 |
WO2020134575A1 (zh) * | 2018-12-25 | 2020-07-02 | 阿里巴巴集团控股有限公司 | 基于区块链的资源分配方法、装置和电子设备 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
EP3786872A1 (en) * | 2019-08-26 | 2021-03-03 | Accenture Global Solutions Limited | Decentralized federated learning system |
CN111737104A (zh) * | 2019-10-25 | 2020-10-02 | 北京沃东天骏信息技术有限公司 | 区块链网络服务平台及其测试用例共享方法、存储介质 |
Non-Patent Citations (2)
Title |
---|
Integrating Blockchain, Smart Contract-Tokens, and IoT to Design a Food Traceability Solution;Kim M等;《Proceedings of the 9th IEEE Annual Information Technology, Eelectronics and Mobile Communication Conference》;20191231;第14卷(第7期);第335-340页 * |
定性分析与在线识别相结合的农产品溯源方法;王宏伟等;《现代农业科技》;20200930(第19期);第223-227页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114241248A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scherhag et al. | Detection of face morphing attacks based on PRNU analysis | |
CN114241248B (zh) | 河蟹产地溯源方法及系统 | |
JP6599421B2 (ja) | バイオメトリック認証のための特徴抽出およびマッチングおよびテンプレート更新 | |
CN107766786B (zh) | 活性测试方法和活性测试计算设备 | |
CN112215180B (zh) | 一种活体检测方法及装置 | |
KR101993266B1 (ko) | 영상 위변조 검출을 위한 가변모델 설계 및 학습방법과, 이를 이용한 영상 위변조 검출방법 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN108509870B (zh) | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 | |
CN114596608A (zh) | 一种基于多线索的双流视频人脸伪造检测方法及系统 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN109299744A (zh) | 合同公章分类模型的训练方法、系统和识别方法、系统 | |
CN113378609B (zh) | 代理商代签名的识别方法及装置 | |
CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
Hauri | Detecting signatures in scanned document images | |
CN114758162A (zh) | 商品防伪鉴别方法、装置、电子设备及存储介质 | |
Blessy et al. | Deep Learning Approach to Offline Signature Forgery Prevention | |
CN113420582B (zh) | 用于掌静脉识别的防伪检测方法及其系统 | |
KR20200051903A (ko) | 위조지문 검출 가능한 지문인식 방법 및 시스템 | |
Koti et al. | Netrahitha: Currency Detector Jacket for visually impaired people | |
Yamini et al. | A Finger Vein Image Recognition based on DLT | |
Ebersbacher | Performance Assessment of Filters in Fingerprinting. | |
CN115775409A (zh) | 一种人脸图像防篡改融合检测方法 | |
Pal et al. | A Review on Digital Image Copy–Move Detection | |
Selvarathi et al. | Copy Move Counterfeiting Identification based on CNN using Scalar Invariant Feature Technique | |
Guo et al. | Face Forgery Detection via Texture and Saliency Enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |